丁嘉鑫 王振亚 姚立纲 蔡永武

福州大学机械工程及自动化学院，福州，350116

0 引言

滚动轴承作为旋转机械应用广泛且容易损坏的零部件，对其进行故障诊断有着重要的理论和实际意义[1]。由于受负载、间隙、刚度、摩擦和冲击等非线性因素的影响，滚动轴承振动信号通常表征为非平稳和非线性等特性[2]。所以，众多衡量机械动力学系统的非线性时间序列复杂性方法相继被提出，并被应用于故障诊断领域，如近似熵、样本熵、排列熵和模糊熵等[3-5]。其中，排列熵(permutation entropy, PE)无需考虑时间序列的数值大小，而是对相邻样本点进行对比分析，获取相应特征信息，相较其他熵值方法更能捕获序列的微弱变化，并且该算法具有理论简单、抗噪能力强等优势，故在故障诊断领域应用较为广泛[4-5]。但PE算法仅利用时间序列的序数结构，忽视其幅值信息，因此，XIA等[6]在PE的基础上提出了加权排列熵(weighted permutation entropy, WPE)；ZHOU等[7]将其应用于滚动轴承故障特征提取过程。与PE类似，WPE仅考虑单一尺度上时间序列的复杂性和动力学突变，忽视了其他尺度上的有用信息，而YIN等[8]将WPE与多尺度熵相结合，提出了多尺度加权排列熵(multiscale WPE, MWPE)。但将MWPE应用于滚动轴承特征提取过程，仍存在以下不足：①MWPE的熵值估计偏差会随粗粒化尺度因子的增大而增大；②MWPE粗粒化过程忽略了其他粗粒化序列上的有用信息，从而影响熵值准确度。③MWPE进行粗粒化构造时，利用均值处理方式在一定程度上会中和原始信号的动力学突变行为，影响特征提取结果。……